Aplicacin del Mtodo de Monte Carlo en el Anlisis de Riesgo de los Proyectos

Automatizacin del Modelo de Monte Carlo De forma simplificada, se puede aplicar el Modelo de Monte Carlo en el Excel de la siguiente forma: 1. Estimar la escala de valores que podra alcanzar cada factor, y la probabilidad de ocurrencia asociada a cada valor. 2. Elegir, aleatoriamente, uno de los valores de cada factor, y dependiendo de la combinacin seleccionada, computar la tasa de rendimiento resultante 3. Repetir el mismo proceso una y otra ves, la cantidad de veces que sea necesaria, que permita definir y evaluar la probabilidad de ocurrencia de cada posible tasa de rendimiento. Como existen millones de posibles combinaciones de factores, necesitamos efectuar un nmero de pruebas suficientemente grande para que pueda apreciarse la posibilidad de ocurrencia de las varias tasas de rendimiento. El resultado a que se llegar ser una lista de distintas tasas de rendimiento que podran lograrse, que puede variar desde una prdida (si los factores son adversos) hasta la ganancia mxima que sea posible lograr conforme con los pronsticos que se hayan efectuado 4. Se calcula la tasa media esperada, que es el promedio ponderado de todas las tasas resultantes de las sucesivas pruebas realizadas, siendo la base de ponderacin la probabilidad de ocurrencia de cada una. 5. Tambin se determina la variabilidad de los valores respecto del promedio, lo que es importante porque a igualdad de otros factores, la empresa presumiblemente preferir los proyectos de menor variabilidad. Dependiendo de la poltica de decisin, el proceso lo podremos aplicar a la tasa interna de retorno o al valor actual neto. Los ejercicios aqu presentados trabajan en base al valor actual neto. Ejercicios Presentaremos dos ejercicios uno para distribuciones discretas y otro para distribuciones continuas. Puede seguir conjuntamente la explicacin para cada distribucin, a travs de su respectiva planilla de clculo Para distribuciones discretas: Bastara colocar la distribucin discreta basada en la funcin de probabilidad acumulada (entre 0% y 100%), generar un aleatorio ( por la funcin =aleatorio()) y , por ejemplo, a travs de una funcin de bsqueda y referencia (buscarv()) identificar el valor correspondiente. Usando una funcin de buscar y referencia, como buscarv. del Excel, podramos generar aleatorios y as aseguramos la aleatoriedad de las cantidades obtenidas, y que luego de "n" simulaciones ("n" no debera ser menor a 1.000) , permitira calcular el promedio y el riesgo de la distribucin. Veamos un ejemplo para distribuciones Discretas y uno para Distribuciones Continuas Distribucin Discreta:

Si hacemos mil simulaciones encontraremos que el promedio y el riesgo tienden a estabilizarse prximos a los valores poblacionales anteriormente calculados. Recuerde que para activar la frmula aleatorio debe presionar la tecla F9.

Para realizar una tabla de estas simulaciones se puede realizar una macro; la cual valla tomando los valores, los lleve a otra hoja ( use el pegado especial para pasar las frmulas a valores); para esta misma macro debe usar las posiciones relativas para que se vallan incorporando los registros. Plotenado el grfico de los nmeros de simulaciones con los valores del promedio y el desvo, puede percibirse que prximo a las 200 simulaciones, los valores se tienden a estabilizar.

Distribuciones Continuas: En nuestro modelo de simulacin estocstico, existen varias varialbles aleatorias intercatuando. Y estas variables, siguen distribuciones de probabilidad tericas o empricas distintas a la distribucin uniforme. Por esta razn, para simular este tipo de variables, es necesario contar con un generador de nmeros uniformes y una funcin que a travs de un mtodo especfico, transforme estos neros en valores de distribucin normal. Existen varios procedimientos para lograr este objetivo, en este trabajo se adopt el siguiente procedimiento especial para generar nmeros al azar que sigan la distribucin de probaiblidad: Para cada tipo de distribucin continua, se puede montar una funcin estocstica; en nuestro caso, una distribucin normal puede ser expresado por:

para expresar la distribucin acumulada de la distribucin normal en forma explcita, utilizamos el teorema del lmite central, el cual establece que la suma de n variables aleatorias independientes se aproxima a una distribucin nomral a medida que n se aproxima a infinito. Que expresado en forma de teorema sera: Si x1,x2,.......xn es una secuencia de n variables aleatorias independientes con E(x)=i y var (x)= 2i (ambas finitas) y Y= a1x1+a2x2+.....+anxn, entonces bajo ciertas condiciones generales:

Tiene una distribucin normal estndar a medida que n se aproxima a infinito. Si las variables que se estn sumando son uniformes en el intervalo (0;1) entonces.

donde R es un nmero aleatrio Tiene una distribucin normal estndar. Puesto que la normal estndar de una variable aleatoria x distribuida normalmente se obtiene como:

entonces, la simulacin de la variable aleatoria x se hara de acuerdo a la siguiente expresin:

Finalmente, utilizando un valor de n=12, la confiabilidad de los valores simulados es bastante aceptable. Y utilizando un valor de n=12, la ltima expresin se simplifica a:

Para hacer esta operacin en el Excel, se debe usar la funcin =aleatorio(). =((((ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO( )+ ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO())6)*Desvo + Promedio)) A continuacin se presenta un ejemplo de la utilizacin del mtodo de Monte Carlo en la planilla de Microsoft Excel: Estos son los datos del Ejercicio:

Luego se comienza a construir el Modelo: Para cada tipo de gaseosa se calcula: El Acumulando de las probabilidades El promedio y el riesgo Se aplica la funcin aleatrorio() y buscarv() Se aplica la funcin estocstica para determinar la cantidad.

Luego y en funcin de estos valores se procede al clculo del Valor Actual Neto, utilizando la funcin predeterminada del Excel VNA; recuerde que la inversin inicial correspondiente al momento 0, va leteando a esta funcin.

Una vez que se tiene la estructura para el clculo del Valor Actual Neto, se puede realizar una macro que valla acumulando los registros de cada valor puntual que correspondan al Valor Actual Neto, a medida que se activa la funcin aleatoria para cada simulacin. Adems se puede ir calculando los valores correspondientes del promedio y del desvo, a fin de poder estudiar el comportamiento del modelo.

Se puede construir el Histograma correspondiente a los valores del Valor Actual Neto, para ello se recurre a la opcin Histograma localizada en el Anlisis del datos, que se encuentra en Herramientas del asistente. Utilizando la funcin de Anlisis de datos

Con los datos de la tabla que se encuentran el promedio y el riesgo del Valor Actual Neto, se construye el grfico del Promedio y del desvo muestral por nmero de simulaciones.

Al construir el Histograma se cuenta con la opcin de realizar el grfico automticamente y adems adicionar el porcentaje acumulado. El resultado se muestra en la siguiente imagen.

Bibliografa. Adriano Leal Bruni, Rubens Fam, Jos de Oliveira Siqueira, Anlise Do Risco Na Avaliaao De Projetos De Investimento: Uma Aplicaao Do Mtodo De Monte Carlo; Caderno de Pesquisas em Administraao, Sao Paulo, V.1, N6,1 Trim./98. Anlisis de la rentabilidad de inversiones en la empresa argentina, Federacin Argentina de Consejos Profesionales en Ciencias Econmicas, rea Administracin, Informe N 1, Ediciones Macchi, Buenos Aires 1988. Coss Bu, Rauil, Simulacin Un enfoque prctico, Editorial Limusa, Mxico 1995 Costa Luiz Guilherme Tinoco Aboim e Azevedo, Marco Correia Lima. Anlise Fundamentalista. Rio de Janeiro:FGV/EPGE.1996. David B Hertz, La incertidumbre y el riesgo en la evaluacin de proyectos de inversin, Harvard Business Review, enero-febrero 1964, pg. 95. Jorge Luis Narvez, El lado Oscuro de la Estratgia, C&C, Buenos Aires1996 Marcelo Claudio Periss, Proyecto Informtico, Buenos Aires 2001 ISBN: 987-43-2947-5. Marcelo Claudio Periss, Sistema para el Soporte de Decisiones - Una Metodologa para su Desarrollo, Aplicacin Tributaria Revista Informate, Noviembre 2000. Seila, Andrew F. y Banks, Jerry; Spreadsheer Risk Analysis Using Simulation, 1990